基于神经网络方法的芦苇叶面积指数遥感反演

提出了一种从TM图像上获取芦苇冠层叶面积指数的方法:首先对芦苇的生长背景进行分类;然后,对不同的背景光谱利用冠层反射率(FCR)模型计算得到查找表;最后,利用实测数据和查找表中的数据作为参数进行BP神经网络模型训练,从而得到芦苇冠层LAI。结果表明,人工神经网络方法有很强的非线性拟合能力,能够消除背景对反演结果的影响,有效提高LAI反演的精度。     

基于植被信息遥感反演的东亚飞蝗监测研究

植被是东亚飞蝗发生和成灾的重要指示因子。运用遥感技术对植被生长进行监测,对东亚飞蝗的预测和防治具有重要意义。以河北省黄骅市为研究区,利用实地获取的植被冠层孔隙度数据反算的LAI数据以及Landsat-5 TM影像提取的各种VI数据,进行了LAI(LAI-2000改进型算法的反算结果)与TM影像上反演的VI之间的相关分析。结果表明,RDVI最适合反映研究区植被生长状况。分析RDVI与飞蝗发生面积的关系,发现两者呈负线性相关,即随着RDVI减小,飞蝗的发生面积呈线性增大。     

基于光谱分类的太湖水体后向散射研究

由于时空变化而产生的水体后向散射系数参数化差异一直是影响水质参数遥感定量反演精度的一个重要因素。在对太湖遥感反射率光谱进行分类的基础上,针对影响太湖水体水色的不同主导因子,把太湖水体分为3种类型,分别利用半分析方法和光学闭合原理对后向散射系数进行模拟,在此基础上研究其光学特性及其与水体组分浓度的关系,最后针对3种不同主导类型的水体分别建立了后向散射系数参数化模型。将后向散射特性在不同时间和空间上的差异转化为水体不同主导因子在生物-光学上的差异,从而得到适用于太湖不同湖区及不同季节的后向散射系数参数化模型,为利用分析方法对太湖水质参数进行更为精确的遥感反演提供了基础。     

基于MODIS数据的太湖浮游植物物候变化及其对水表温度的响应

浮游植物物候能够反映浮游植物的生长变化与湖泊生态系统的变化,水温、营养盐浓度等因素对物候有重要影响。太湖富营养化程度较高,水温的影响作用日趋显著,物候与水温关系的研究对理解、控制和改善太湖生态系统具有重要意义。本研究利用2003—2018年MODIS遥感数据计算浮游植物物候指标和湖泊水表温度（Temperature of Water Surface,LSWT）,通过分析太湖浮游植物物候时空变化特点探究了不同区域的物候特征,并结合LSWT揭示了浮游植物物候对LSWT变化的响应关系。结果表明：① 不同浮游植物物候指标具有不同空间分布特点,水华发生次数、峰值叶绿素a（Chla）浓度和水华总持续时间呈现由西部沿岸向湖心区递减的趋势;浮游植物生长开始时间和峰值Chla发生时间分布复杂但在沿岸区域相对较早;② 太湖可被划分为4种具有不同物候特征的区域,Ⅰ类区域主要位于贡湖湾、东部沿岸以及太湖中部开阔水域,该区Chla浓度范围为50~60 μg/L,且波动平缓,水华发生次数最少、开始最晚、持续时间最短;Ⅱ类区域主要分布于太湖西部沿岸,Chla浓度范围为50~90 μg/L且变化剧烈,该区水华发生次数最多、开始最早、持续时间最长;Ⅲ和Ⅳ类属于过渡区域,前者主要分布于梅梁湾、竺山湾及入湾口,后者主要位于南部沿岸以及太湖中部;③ 浮游植物物候对LSWT变化的响应受营养水平影响,当营养水平较高时,浮游植物的生长受LSWT的促进作用显著,LSWT年际变化的升高趋势对浮游植生长物候提前、生物量增加的影响明显,反之,则LSWT变化对浮游植物生长的影响减弱。     

太湖叶绿素a同化系统敏感性分析

太湖叶绿素a同化系统对于不同参数的敏感性将直接影响到该系统能否精确的估算太湖叶绿素a的浓度分布.利用2009年4月21日环境一号卫星(HJ-1B CCD2)影像数据反演太湖叶绿素a浓度场信息.以此作为背景场信息,结合基于集合均方根滤波的太湖叶绿素a同化系统,分析和评价了样本数目、同化时长、背景场误差、观测误差和模型误差对于同化系统性能的影响.结果表明:从计算成本、系统运行时间和同化效果等方面分析,当集合样本数目达到30~40左右时同化系统取得了较好的结果;同化系统对于背景场误差的估计变化不是很敏感,即初始场的估计是否准确对于同化系统的性能影响不是很大;同化系统对于模型误差和观测误差的变化较为敏感,不同的测试点位由于水体动力学性质不一,其敏感性的表现形式有所差异;利用数据同化方法可以有效地估算太湖叶绿素a浓度.     

太湖水体叶绿素浓度反演模型适宜性分析

为确定适合太湖水体叶绿素的反演算法,为同类卫星数据的建模和应用提供参考,本文根据太湖2007年11月、2009年4月和2011年8月实测水质参数以及同步光谱数据,结合水色遥感传感器MODIS、MERIS、GOCI及我国自主发射的HJ-1号卫星CCD传感器波段参数,基于差值模型、比值模型、三波段模型及APPEL模型,分别建立太湖水体叶绿素浓度反演模型,并分析模型的适宜性.结果显示,基于不同传感器数据APPEL模型的决定系数为0.7308~0.8107,模型相对误差为15%~24%,均方根误差为21%~32%;三波段模型基于不同传感器数据拟合的决定系数为0.6014~0.7610,相对误差为28%~36%,相对均方根误差为39%~46%;差值模型决定系数为0.4954~0.7244,相对误差为39%~53%,相对均方根误差为51%~72%;比值模型决定系数为0.4918~0.7098,相对误差为41%~55%,相对均方根误差为56%~75%.相比较而言,APPEL模型的稳定性较强,适合于不同传感器数据的太湖水体叶绿素浓度的反演.此外,相应不同传感器波段位置、波段宽度对模型反演的精度和稳定性的影响也不同,当波段位置接近叶绿素特征波长时,较窄的波宽有利于模型精度的提高,波段位置和叶绿素浓度特征波长相差较大时,合理增加波谱范围有利于叶绿素特征信息的获取.     

基于主成分降维的总悬浮物浓度遥感估算模型适用性分析

总悬浮物浓度(C_TSM)是水质评价的重要参数.为了提高内陆Ⅱ类水体总悬浮物浓度估算的精度,利用主成分分析方法对2009年4月太湖水体实测高光谱数据进行降维处理,进而以不同数量的主成分作为变量,分别构建总悬浮颗粒物浓度的多元线性回归估算模型并比较这些模型的效果,从而确定最优的主分量个数;结合近年运行的高光谱传感器,对模型的适用性进行评价.结果表明:①前三个主成分(PC₁、PC₂、PC₃)从不同侧面涵盖了悬浮物浓度信息,它们与ln(C_TSM)的相关系数分别为0.728、0.401和0.403;②当主成分个数为6时,模型达到最优;模型的精度高于4个传统经验模型;③在400~850 nm之间,波段数大于45的高光谱传感器数据都能利用主成分分析的方法构建精度较高的总悬浮物浓度估算模型;此外,MERIS、HJ1-HSI、Hyperion和CHRIS这些常用的高光谱传感器的波段设置,都适合于主成分建模.     

秋季太湖水下光场结构及其对水生态系统的影响

水生态系统中光能的分配很大程度上决定了水生态系统的结构和功能,利用2007年11-12月太湖水体光学特性和组分浓度数据,对秋季太湖水下光场结构特征和水体组分光竞争能力的表征光学量(漫衰减系数、平均余弦)和影响因素(吸收系数比重)进行了分析研究.结果表明,秋季太湖水下辐照度呈现单峰分布,最高值为583nm左右:根据Kd可将黄质和非色素物质主导程度的强弱分为弱、较强、强三个等级;Kd(PAR)平均值为4.61±1.54m-1,水体真光层厚度平均值为1.11±0.35m;太湖水下光场的光能主要分布在青光和黄绿光波长范围内,约占总能量的60%,蓝光和红光波长范围内的能量约占30%,这样的光谱结构有利于铜绿微囊藻和斜生栅藻的生长.     

混合光谱分解算法的太湖水体组分浓度反演分析

二类水体组份的遥感定量反演一直是水色遥感的难点和热点问题,原因在于其水体组分(纯水、叶绿素、悬浮物及CDOM)之间复杂的相互作用.本文引入光谱分解算法,通过Hydrolight软件模拟叶绿素、悬浮物和CDOM的标准反射率光谱,解决光谱分解算法中“纯端元”难以获取的问题.在此基础上建立了二类水体组分光谱分解反演模型.模型...     

不同浓度悬浮泥沙水体的光谱吸收特性模拟

悬浮泥沙的光学特性是影响内陆湖泊水色遥感的重要因素。利用光谱吸收衰减仪(AC-S)测得水池中悬浮泥沙浓度为2.13~1 442.40 mg/L的水体光谱吸收。在蓝、绿和红光波段,悬浮泥沙水体的平均比吸收系数分别为0.0161±0.0039 m2.g-1、0.0071±0.0020 m2.g-1和0.0025±0.0007 m2.g-1;指数拟合获得的Sm*值为0.0098±0.0011 nm-1,利用其模拟的比吸收光谱与实测光谱吻合效果较好,说明该Sm*取值对悬浮泥沙水体比吸收光谱的曲线斜率变化具有一定的参考价值。此外,建立了悬浮泥沙水体吸收系数a(440)m与其浓度的关系模型,R2达0.947,拟合精度较高;然而比吸收系数a*(440)m与泥沙浓度几乎无相关性。研究结果可为内陆水色遥感分析模型的建立提供重要的参数保障。